XiaoMi-AI文件搜索系统
World File Search SystemEvaluations
对从通用到医疗应用的大型语言模型的调查：数据集，方法和评估
大型语言模型（LLMS）在各种自然语言处理任务中表现出令人惊讶的表现。最近，具有特定领域知识的医学LLM在医疗咨询和诊断方面表现出了出色的功能。这些模型可以平稳模拟医生的对话并提供专业的医疗建议。大多数医疗LLM是通过继续培训开源总LLM的，与从头开始培训LLM相比，计算资源所需的计算资源要少得多。此外，此方法比基于API的解决方案提供了更好的患者隐私保护。鉴于上述优势，该调查系统地总结了如何从开源的一般LLMS来培训医疗LLMS，从更细粒度的角度来看。它涵盖了（a）如何获得培训语料库和构建定制的医学培训集，（b）如何选择适当的培训范式，（c）如何选择合适的评估基准，以及（d）现有的挑战和有前途的研究方向。这项调查可以为开发LLM的开发提供指导，这些LLM专注于各种医学应用，例如医学教育，诊断计划和临床助理。相关资源和补充信息可以在GitHub存储库1上找到。
新的儿童监护权评估指南
第一个指南强调了孩子的最大利益。这个概念首先是在1970年的《统一婚姻与离婚法》中引入的。该行为的定义含糊不清，涵盖了父母的愿望，孩子的愿望，孩子与父母和兄弟姐妹的互动和关系，以及孩子对学校，家庭，社区，社区以及心理和身体健康的调整。国家有自己的定义，有些比其他国家更具体。心理学家应意识到自己国家的定义，但也将深入的定义视为参考。，密歇根州的1970年儿童监护权法将“儿童的最大利益”定义在12个维度上，包括孩子与父母之间存在的爱和感情，孩子的偏爱和父母的能力以及为孩子提供物质需求，安全和稳定的环境和指导的能力和处置。“孩子的最佳企业是特定于儿童的决心，” Maddux说。“这与一些金标准的10步过程无关，'20
论文摘要：在 AI 模型评估中优先考虑高后果生物能力 1
人工智能 (AI) 技术可能会彻底改变医疗保健的组织和提供方式、药物和疫苗的开发方式、疾病的诊断方式以及发现新疫情的速度。使用人工智能进行的绝大多数生物和生命科学研究都可以以对社会风险最小甚至没有风险的方式进行。然而，预计在不久的将来会出现一些新的人工智能模型，这可能会增加因事故或滥用生物技术和生命科学而导致严重后果的风险。随着模型能力的提高，预计设计和操纵现有大流行病原体以及可能创造新病原体的能力将相应提高。研究人员还将能够将快速改进的人工智能模型与湿实验室的进步相结合，以促进、加速和增强这项工作。人工智能研究人员和政策制定者尚未就人工智能模型的哪些功能或用途最能增加公众的重大生物安全风险或哪些形式的风险最值得缓解达成广泛共识。在没有具体政府指导的情况下，一些大型语言模型 (LLM) 开发人员已经使用红队来评估其模型的生物安全风险，但其内容和方法各不相同。评估内容没有统一的框架，对于特定能力水平的关注程度也没有共同的理解。因此，迄今为止发表的有限的 AI 模型生物安全研究（仅评估了 LLM）测试了不同的风险，并使用了不同的假设来防范哪些威胁。这反过来又降低了缓解措施的潜在影响。由于无法评估 AI 模型是否会导致任何可能的与生物学相关的事故或不当行为，因此需要进行一定程度的优先排序。例如，仅仅询问一个模型是否会增加“生物武器计划”的风险是一个不充分的评估问题——它含糊不清、包容性不足，并且很难扩展到 LLM 之外。生物安全评估的最终目的应该是确定一个模型是否会显著增加对公众造成严重后果风险的可能性，无论人类的意图如何。解决方案
基于3D denoising扩散概率模型的PET图像Denoising：总体数据集的评估
摘要。由于各种物理降解因子和检测到的少量计数，从低剂量正电子发射断层扫描（PET）扫描中获得了高质量的图像是具有挑战性的。基于高级分布学习的生成模型（一种基于高级分布学习的生成模型）的转化扩散概率模型（DDPM）显示了各种计算机视觉任务的有希望的性能。但是，目前DDPM主要以2D模式进行研究，该模式的限制是pet图像denoising的局限性，因为通常以3D模式获取，重建和分析PET。在这项工作中，我们提出了一种用于PET Image DeNoising的3D DDPM方法，该方法采用3D卷积网络来训练得分函数，并启动网络学习3D分布。使用从西门子传记视觉Quadra扫描仪（轴向视野> 1m）获取的总体体18 F -FDG PET数据集来评估3D DDPM方法，因为这些总体数据集需要的3D操作最多可从不同的轴向液体中利用丰富的信息。所有模型均在1/20低剂量图像上训练，然后在1/4、1/20和1/50低剂量图像上进行评估。实验结果表明，在定性和定量评估中，3D DDPM明显优于2D DDPM和3D UNET，能够从低质量PET图像中恢复更精细的结构和更准确的边缘轮廓。此外，当训练和测试数据之间存在噪声水平不匹配时，3D DDPM显示出更大的鲁棒性。最后，就不确定性而言，将3D DDPM与2D DDPM进行比较，发现3D DDPM对可重复性的信心更高。
Ruta Gravolens精油作为1 M HCl中低碳钢的抗腐蚀性能：电化学，DFT和MO
摘要 - 近年来，环境问题受到了广泛的关注，绿色腐蚀抑制剂的使用已成为大多数研究人员的主要主题。当前的研究重点是评估Ruta Gravolens L.（RG-（EO））的空中油的精油，已用作1 M HCl溶液的低碳钢（MS）上的环保腐蚀抑制剂。表征方法（即气相色谱 - 质谱法（GC/MS））确定了21个代表总量的95.3％的成分，并且已确定为RG-（EO）的主要组成部分。通过测量体重减轻（WL），电力动力学极化（PDP），电化学阻抗光谱光谱谱（EIS）以及量子化学计算方法，测量了RG-（EO）对1 M HCl溶液中MS腐蚀的抑制作用。PDP测试结果表明，随着RG-（EO）的添加，MS抑制的有效性增加，在2.00 g/L时达到了近94.80％。热力学分析表明，抑制效率随培养基温度（308-343 K）的升高而略有增加。此外，热力学动力学参数表明，在MS表面位点上的RG-（EO）吸附受Langmuir吸附等温线的影响。最后，基于量子化学的理论研究
攻击，防御和评估LLM对话安全：调查
近年来，对话大语模型（LLMS）1经历了快速发展（Touvron等人，2023; Chiang等。，2023; Openai，2023a），在不同应用中显示出强大的对话功能（Bubeck等人，2023; Chang等。，2023）。但是，在对话期间也可以利用LLMS来促进诸如欺诈和网络攻击之类的危害活动，并出现重大的社会风险（Gupta等人。，2023; Mozes等。，2023;刘等。，2023b）。这些风险包括有毒含量的传播（Gehman等人。，2020年），歧视性双期的持续性（Hartvigsen等人，2022），并传播错误信息（Lin等人，2022）。对LLM交通安全性的日益关注 - 特别是确保LLM依据没有有害信息 - 已导致广泛的攻击和国防研究
我们可以信任大型语言模型生成的代码吗？跨不同LLMS
大型语言模型（LLM），例如Chatgpt和Github Copilot，已彻底改变了软件工程中的自动代码。但是，由于这些模型被越来越多地用于软件开发，因此对生成代码的安全性和质量引起了人们的关注。这些问题源于LLMS主要是对公开可用的代码存储库和基于Internet的文本数据进行培训的，这可能包含不安全的代码。这给生成的代码中带来了永久性漏洞的重大风险，从而创造了潜在的攻击媒介，以造成恶意参与者的剥削。我们的研究旨在通过在代码生成过程中通过内置学习（ICL）模式引入安全行为学习的框架来解决这些问题，然后进行严格的安全评估。为了实现这一目标，我们选择了四个不同的LLM进行实验。我们已经在三种编程语言中评估了这些编码LLM，并确定了安全漏洞和代码气味。该代码是通过ICL生成的，具有策划的问题集，并经过严格的安全测试，以评估生成的代码的整体质量和可信度。我们的研究表明，ICL驱动的单发和少的学习模式可以增强代码安全性，从而减少各种编程场景中的漏洞。开发人员和研究人员应该知道，LLM对安全原则的理解有限。当生成的代码部署在生产系统中时，这可能会导致安全漏洞。在使用LLM进行代码生成时，请考虑这一点。我们的研究重点介绍了LLM是软件供应链的新漏洞的潜在来源。本研究文章提供了有关改善LLM安全性的见解，并鼓励主动将LLMS用于代码生成以确保软件系统安全。
人工智能评估：评估人工智能的风险和影响
部署后，可靠、安全、保密或公平。NIST 将通过 ARIA 保护伞下各种领域的评估和相关活动吸引公众。ARIA 评估将包括模型测试、红队测试和现场测试。任务和相关活动将针对每次评估进行定制。提供给 NIST 的模型和系统将使用一套侧重于技术和社会稳健性的指标在 ARIA 任务上进行评估；这些新指标将与 ARIA 参与者社区合作开发。预期的计划成果包括可扩展的指南、工具、方法和指标，供组织用于评估其 AI 系统在其特定用例中的安全性，并作为其治理和决策过程的一部分，以设计、开发、发布或使用 AI 技术。ARIA 0.1 试点评估
DTM 23-005，“军人心理健康评估的自我启动转诊流程”，2023 年 5 月 5 日；2024 年 5 月 2 日纳入变更 1
DoD 5400.11-R，“国防部隐私计划”，2007 年 5 月 14 日 DoD 指令 5124.02，“国防部人事和战备副部长（USD(P&R))”，2008 年 6 月 23 日 DoD 指令 5400.11，“国防部隐私和公民自由计划”，2019 年 1 月 29 日，经修订 DoD 指令 6025.18，“国防部医疗保健计划中的健康保险流通与责任法案 (HIPAA) 隐私规则合规性”，2019 年 3 月 13 日 DoD 指令 6025.19，“个人医疗准备计划”，2022 年 7 月 13 日 DoD 指令 6490.04，“军事人员的心理健康评估”，2013 年 3 月 4 日，经修订 DoD 指令 6490.08， “为军人提供心理健康护理时消除污名的指挥部通知要求”，2011 年 8 月 17 日 国防部指令 6495.02，第 1 卷，“性侵犯预防与应对：计划程序”，2013 年 3 月 28 日，经修订 国防部手册 6025.18，“在国防部医疗保健计划中实施《健康保险流通与责任法案》（HIPAA）隐私规则”，2019 年 3 月 13 日 公法 104-191，“1996 年《健康保险流通与责任法案》”，1996 年 8 月 21 日 公法 117-81，第 704 节，“2022 财政年度国防授权法案”，2021 年 12 月 27 日 美国法典，第 10 章
网络安全和基础设施安全局 (CISA) 技术评估汇编
网络安全和基础设施安全局 (CISA) 正在确定支持 CISA 网络安全战略计划 2024-2026 的技术。对技术进行评估以确定它们是否会给 CISA 及其利益相关者带来风险；提高 CISA 组织的效率和效力；或提高 CISA 利益相关者的网络安全。本汇编为读者提供了背景信息，以了解哪些 CISA 重点领域可能会受到这些技术的影响（负面或正面）。该文件旨在为读者提供 22-23 财年调查的技术的高级描述，以及用于开发影响的评估。该报告包括表 1 中列出的 19 种技术的描述。图 1 和表 2 总结了技术分析的结果。这些技术符合/支持《网络安全战略计划》（2024-2026 年）的所有三个目标。鉴于所研究技术的未来重点，与目标 1（应对直接威胁）的一致性仅限于 19 项技术中的 5 项。与目标 2 和 3 的一致性非常重要，19 项技术中有 18 项支持所有 3 个目标 2 目标和一个或多个目标 3 目标。在所有情况下，这些技术都为产生战略计划中每个目标的每个目标的有效性证据衡量标准所需的技术和流程提供了支持能力。下图说明了技术与目标的一致性。